Прогнозирование совокупного живорождения с помощью машинного обучения на разных этапах у женщин со сниженным овариальным резервом

Введение: У женщин со сниженным овариальным резервом (СОР) частота совокупного живорождения после переноса эмбрионов составляет менее 30%. Однако существующие инструменты прогнозирования основаны на статичных исходных параметрах и недостаточно интерпретируемы, что ограничивает их клиническую применимость при консультировании относительно долгосрочной вероятности успеха лечения.

Методы: Мы разработали и валидировали модели машинного обучения для прогнозирования совокупного живорождения на разных этапах лечения в расчёте на один цикл пункции яичников, включая все переносы свежих и криоконсервированных эмбрионов. В исследование вошли 1234 цикла у женщин с СОР (АМГ ≤1,1 нг/мл), проведённых в одном специализированном центре третичного уровня. С использованием отбора признаков методом случайного леса и шести алгоритмов на основе деревьев решений были построены модели для трёх этапов принятия решения: исходного, до начала лечения; после стимуляции, в день введения триггера финального созревания ооцитов; и перед переносом эмбриона. Когорту случайным образом разделили на обучающую (n = 863; 70%) и тестовую (n = 371; 30%) выборки. С учётом распространённости совокупного живорождения 22,8% систематически оценивали стратегии коррекции дисбаланса классов. Интерпретируемость моделей оценивали с помощью метода аддитивных объяснений Шепли (SHAP), который позволяет количественно определить вклад каждого признака в клинически значимых единицах.

Результаты: Алгоритм CatBoost стабильно демонстрировал наилучшую дискриминационную способность на тестовой выборке на всех этапах. Модели исходного этапа, включавшие 5 признаков (возраст женщины, возраст мужчины, АМГ, индекс массы тела и длительность бесплодия), обеспечивали площадь под ROC-кривой (AUC) 0,759 (95% ДИ 0,704–0,810) при прогнозировании совокупного живорождения. Показатели после стимуляции почти не повышали точность прогноза (AUC на этапе 2 — 0,755; ΔAUC = −0,004). Эмбриологические параметры перед переносом существенно повышали точность (AUC на этапе 3 — 0,793; ΔAUC = +0,034 по сравнению с исходным этапом); чувствительность составляла 70,6%, специфичность — 72,4%, F1-мера — 0,536. Алгоритмы без явной коррекции дисбаланса классов характеризовались резко сниженной чувствительностью (<30%), несмотря на сопоставимые значения AUC (0,71–0,77). Согласно анализу SHAP, наибольший вклад в прогноз вносили возраст женщины (32,8% общей значимости) и качество эмбриона (29,7%); выявлены нелинейный порог в возрасте 37 лет и чёткая стратификация по градациям качества эмбрионов.

Выводы: Эмбриологические параметры существенно повышают точность прогнозирования совокупного живорождения у женщин со сниженным овариальным резервом, тогда как показатели ответа яичников дают минимальную дополнительную информацию. Для клинически значимого прогнозирования в репродуктивной медицине необходимы явная коррекция дисбаланса классов и использование интерпретируемых моделей.